CN103268366A - 一种适用于分散式风电场的组合风电功率预测方法 - Google Patents

一种适用于分散式风电场的组合风电功率预测方法 Download PDF

Info

Publication number
CN103268366A
CN103268366A CN2013100718972A CN201310071897A CN103268366A CN 103268366 A CN103268366 A CN 103268366A CN 2013100718972 A CN2013100718972 A CN 2013100718972A CN 201310071897 A CN201310071897 A CN 201310071897A CN 103268366 A CN103268366 A CN 103268366A
Authority
CN
China
Prior art keywords
wind
power
data
output
speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013100718972A
Other languages
English (en)
Other versions
CN103268366B (zh
Inventor
杨俊友
崔嘉
刘劲松
王刚
张涛
朱钰
邢作霞
井艳军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Northeast Electric Power Research Institute Co Ltd
Original Assignee
Shenyang University of Technology
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Northeast Electric Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd, Northeast Electric Power Research Institute Co Ltd filed Critical Shenyang University of Technology
Priority to CN201310071897.2A priority Critical patent/CN103268366B/zh
Publication of CN103268366A publication Critical patent/CN103268366A/zh
Application granted granted Critical
Publication of CN103268366B publication Critical patent/CN103268366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/82—Elements for improving aerodynamics

Landscapes

  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明提供一种适用于分散式接入的组合风电功率预测方法，包括如下步骤：步骤1，数据采集和预处理、步骤2，利用归一化后的训练样本集和预测样本集建立基于径向基神经网络的风速预测模型并预测分散风机点下一时刻风速和变化趋势、步骤3，根据分散式风场地形、粗糙度、尾流影响等因素建立分散式风电场区CFD模型并外推出场区内每台风机的预测风速、步骤4，通过采集分散式风场SCADA系统风机功率数据、步骤5，采用关联系数；本发明首次提出双层组合神经网络分别对风速和功率进行预测。采取适合各自的有效地神经网络类型进行分别建模，并将加入“改进”“变异”“淘汰”思想的改进微粒群算法对神经网络进行优化，可以有效提高建模的速度和精度，实现风速和功率的解耦。

Description

一种适用于分散式风电场的组合风电功率预测方法
技术领域
本发明涉及一种基于人工智能技术的数据建模及预测方法，尤其涉及一种适合于分散式风电场的基于径向基神经网络的风速预测方法以及基于改进微粒群优化的BP神经网络的功率预测方法。
背景技术
风电作为一种变化性电源，大规模风电开发势必受到电网消纳随机性电量能力的限制。由于风电场建设周期短，电网建设相对复杂，难以与风电场的建设同时完成，以及电网对风电装备技术条件要求提升，风电并网开始从物理“并网难”向技术“并网难”转化。同时“弃风”成为了风电发展的新难题。随着“建设大基地，融入大电网”的风电开发战略的有力推进，“三北”地区等风资源富集地区风电机组并网容量迅速增加，渐渐达到电网的消纳极限。陆上集中式开发、陆上分散式开发和海上风电并举，成了当前新的风电开发战略。
       分散式风电开发以就地消纳为目的，接入配电网，距离居民较近，具有开发和并网接入等难点。2011年，国家能源主管部门出台了相应的管理办法。在风能资源欠丰富的和靠近负荷中心的地风速地区及高原低密度和复杂地形区，分散建设风电场，当地消纳。对中东部省份一些地区风能资源较弱，土地资源有限，可以选择风电分散式开发，就近接入电网。中国分布式风电开发到2015年的装机目标是30GW。可以预见，内陆地区分散式开发的风电场将占有越来越大的比重。这也是中国风电开发不断走向成熟的必然趋势。
由于分散式风电位于用电负荷中心附近，就近接入配电网，风电的间歇性、波动性对于接入对配电网的安全、稳定运行以及保证电能质量带来了严峻挑战。若能对风场的风速和发电功率做出比较准确的预测，则可有效减轻风电对整个电网的影响。通过风电功率预测将有助于电网调度部门及时制定合理的运行方式并准确地调整调度计划，从而保证电力系统的可靠、优质、经济运行。 我国2015年和2020年前，研发和应用风电功率预测的重点是充分应用各种成熟的统计预报技术，重点是开发应用适用于陆地风电成的超短气预报（4h以内）和短期预报（48h以内）系统。协调电网调度机构、气象部门、风电场共同建立集中式与分散式相结合的风电功率系统，为风电调度提供有效支持。
2011年，国家提出建立风功率预测系统的要求，2012年6月建成并完善，目前已部分完成。但已建成的风电场风功率预测系统精确度不高，误差常在20%左右。国内风电功率预测理论与系统开发研究及其应用还需要一段时间的积累，现实的情况主要表现在：
1、预测的风速普遍为风电场的平均风速，未考虑风电场地形地貌对风速的影响，预测的不是风电机组处的风速，不能准确定位，且预测的推算一般基于指数函数关系进行切变分析，预测精度差，可置信度欠佳。
2、目前风功率预测系统统计算法多采用单神经网络模型，输入为预测风速，输出为预测功率。在基于神经网络方法的建模过程中, 如果对网络的规模不加限制，有充足的训练数据, 理沦上基于神经网络的单模型结构总能得到一个令人满意的模型结构，但在实际风电场中常常要面对有限的过程数据,且囿于实时性的要求,网络结构也不能任意增加,因此一般依赖于网络的泛化能力，通常不能取得良好的建模效果。
3、大量风电场区还缺少具有详查功能的原始测风数据，无法有效发挥风电功率预测系统的功能，即使是较好的风能预报软件也需要一个资料积累的过程。
4、由于目前国内较大的风电场是经过多年发展形成的，采用的机型较多。风电功率预测系统与不同类型的风电机组信息交互较困难，这也制约了其应用。
目前风电功率的预测方法多为统计方法，其实质是利用有效的历史数据(如数值天气预报数据、历史统计风电功率数据)进行预测。常见的相关方法有持续预测法、空间平滑法、时间序列法、卡尔曼滤波法、灰色预测法、人工神经网络法、小波分析法、支持向量机回归法、最小二乘法、模糊逻辑法等。国内已有预测系统多采用基于自回归线性模型的时间序列法，由于模型本身是线性，依此预测精度往往不够理想。人工神经网络和支持向量机的相关研究是现在主要应用的方法，而现有的采用单一神经网络法通常需要较多的训练样本，一方面计算消耗过大，另一方面无法保证较好的泛化能力，同时在样本信息不充分时又无法取得较好的预测精度。支持向量机的参数选择对模型预测精度有较大影响。
发明内容
 发明目的：
本发明在于克服现有技术的缺陷，提出一种适用于分散式接入的组合风电功率预测方法，其目的为解决以往的方法中所存在的预测精度不理想的问题。
该方法结合历史测风塔气象数据和风机输出功率，建立双层神经网络模型——基于径向基神经网络的风速预测和基于改进微粒群优化的BP神经网络的功率预测，分别预测分散式风机点的风速和功率。分散式风电场输出功率的影响因素主要有风速、风向、气温、气压、湿度及地表粗糙度等。因此从测风塔得到的风速、风向、气温、气压、湿度等数据都是风速预测模型的必要输入。根据风电场数字化模型，考虑地形、障碍物、粗糙度及风机间尾流效应对风电场输出功率的影响，建立CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，结合功率预测模型，结合关联系数和外推系数，计算得到整个风电场的输出功率。
       为实现上述发明目的，本发明一种适用于分散式接入的组合风电功率预测方法，其特征在于，包括以下步骤：
步骤1， 通过收集测风塔点的历史气象数据，根据数据和现场需要，对数据进行预处理，统计单位时间（如10min）的平均值，形成可用于风功率预测的数据样本集。对数据分段，根据实际情况，分为3份。前2/3用于预测训练的样本集，后1/3作为测试和订正预测模型的测试集。本方法设计如下公式把数据归一化到[0.05,0.95]区间，以便使网络输出有足够的增长空间。
Figure DEST_PATH_IMAGE002AAA
式中
Figure 566132DEST_PATH_IMAGE004
为归一化后的输入样本；
Figure 404644DEST_PATH_IMAGE006
为原始输入样本。
步骤2，数据的获取和预处理：风速预测系统从测风塔数据库及数值天气预报数据库获得指定时间段内的数据，包括风速、风向、温度、湿度、大气压强等。并用两组数据进行关联性分析及相互修正，由此得到训练集和仿真集。其中将t-1时刻的风速、风向、温度、湿度、大气压强等作为输入向量X，输出向量Y为t、t+1时刻的风速。
步骤3，分散式风电场区CFD模型通过分散式风电场的地形、大气热稳定度、粗糙度、风切变、尾流效应等因素进行建模。继而通过订正方法不断优化参数和结构，直到模型与实际区域风速分布误差满足要求停止。订正方法有两种：（1）、塔间修正。首先收集两个测风塔的气象数据将处理后的数据通过物理CFD方法外推到另外测风塔，将得到的外推气象数据与实际气象数据进行比对，通过误差最小的约束条件不断循环订正，直到满足条件为止。（2）、测风塔—气象预报订正。通过获取附近气象站或者气象部门提供的当地区域气象数据为基础，外推到测风塔，并与真实数据进行对比修正。本方法拟定均方误差<=20为约束条件。
外推方法：首先：采集测风塔的实时数据，预处理后输入到已建立好的地理模型。其次，对本地地形区域划分网格，根据不同区域设置不同的网格，通过CFD方法计算出各台分散式风电机组处网格的预测风速v_((t)n)和下一时刻风速v_(t+1)n。
步骤4，风机功率预测模块
a)        首先采集分散式风场SCADA系统风机功率数据，并进行预处理。其次，结合外推风机处历史气象数据和历史输出功率对采用异步、双馈、永磁直驱三种发电机的风电机组进行建模，并结合风机厂商提供的标准功率曲线数据进行订正。
b)        建立基于改进微粒群优化的BP神经网络的功率预测模型，本方法采用3层神经网络结构，即输入层、输出层和一个隐含层。输入层的节点有t、t+1时刻的每个分散点的预测风速及t-1时刻的风机的输出功率。输出层为t时刻的预测功率。本方法采用试验法确定隐含层节点个数，分别改变
Figure 387643DEST_PATH_IMAGE008
，用同一样本训练，从中确定网络误差最小时所对应的隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为1-10之间的调节常数。
c)        用改进的微粒群算法优化BP神经网络的权值与阈值，包括如下步骤：适应度函数：
式中，mse为网络的均方误差；
Figure 595561DEST_PATH_IMAGE014
 为训练样本总数；Y为网络输出；y 为样本实际输出；当 F 在一定程度上接近 1时，即被认为达到网络的精度要求。
d)        淘汰操作 淘汰操作是基于适应度比例的选择策略，每个个体i 的选     择概率Pi 为 ：
Figure 683603DEST_PATH_IMAGE016
=
Figure 137587DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE020AAA
 式中，Fi为个体 i 的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；K为系数；N 为种群个体数目。
e)        蜕变操作 按照一定的概率
Figure 461121DEST_PATH_IMAGE022
进行蜕变操作：假设选定微粒i进行蜕变，将该微粒的当前最好位置用当前全局最好位置
Figure 250927DEST_PATH_IMAGE026
代替，即
Figure 942940DEST_PATH_IMAGE028
，而该微粒所具有的位置速度属性不改变，继续进化。
f)         变异操作：为了保持微粒飞行后期的多样性，每个微粒在同一速度方向上，以大小不同的幅值飞行。
vij(t+1)=
Figure 804585DEST_PATH_IMAGE030
vij(t)+c1r1j(t)(pij(t)-xij(t))+c2r2j(t)( gbest(t)-xij(t))
xij(t+1)=xij(t)+vij(t+1)
Figure DEST_PATH_IMAGE032AAA
Figure DEST_PATH_IMAGE034AAA
式中,分别为微粒所允许的最大速度与最小速度，T为最大进化次数。若vij (t+1)> vmax则搜索速度变小；若vij (t+1)<vmin则搜索速度变大；若vmax> vij (0)> vmin速度合适时，搜索速度vij (0)在两边变大和变小。检验是否符合条件，如果当前全局最佳位置满足预定的要求或是进化次数达到给定次数时，则停止迭代，输出神经网络的最优解。
步骤5，通过关联系数，对异步、双馈、永磁直驱三种发电机的风电机组进行分群建模，利用外推系数得到分散式风场预测功率。
a)        根据各个风电机组实测出力与区域实际出力的关联系数选择基准风电机组并确定所选基准风电机组的个数，关联系数采用下述公式计算 ；
Figure 767118DEST_PATH_IMAGE036
其中 ：
Figure 134646DEST_PATH_IMAGE038
为第 i 个风电机组出力与区域出力之间的关联系数 ；
n 为分散式风电场功率测量点的个数 ；
Figure 297643DEST_PATH_IMAGE040
为第k个测量点与平均值的功率偏差值；
Figure 838346DEST_PATH_IMAGE042
为第k个测量点与平均值的出力偏差值；
Figure 419500DEST_PATH_IMAGE044
为第 k 个测量点的实测功率 ；
Figure 941617DEST_PATH_IMAGE046
为n 个测量点的平均值 ；
为该区域第 k 个测量点对应的区域实际出力 ；
Figure 873986DEST_PATH_IMAGE050
为该区域 n 个测量点的平均出力 ；
b)        按照计算后的关联系数大小进行排序，选择关联系数大的风电机组为基准风电机组，并使各个基准风电机组出力之和达到区域额定功率的 70％ ；
设 i ＝ 1，2...L 依次为关联系数较大的前 L 个风电机组的编号，且满足
Figure 371964DEST_PATH_IMAGE052
其中 ：
Figure 815715DEST_PATH_IMAGE054
为第 i 个风电机组的额定出力 ；
Figure 221813DEST_PATH_IMAGE056
为该区域的额定出力。
则所选的基准风电机组为编号 1.2...L 的风电机组，共计 L 个。
c)        各象限扩大系数计算方法如下: 通过分散式风电机组功率计算模型计算出风电场内每台风机的出力，同时参考风电场至少一年的实际运行资料，选择其中具有代表性的风机作为基准代表点，整个风电场的出力(即所有风机出力之和)与该代表点的出力的比值，为全象限外推系数，按风向分16象限，每个象限内整个风电场的出力与该代表点的出力的比值，则为各象限的外推系数。选定编号为m的风机为代表点，第i象限m风机对风电场的的外推系数
Figure 42001DEST_PATH_IMAGE058
可按下式计算。
Figure 581436DEST_PATH_IMAGE060
其中:
x指风机的出力;
y指风机容量;
n指风电场风机总台数;
J指风机编号，为1……n;
m指选定代表点的风机编号
i象限编号，为1...... 16
本发明的有益效果是：
1、首次提出双层组合神经网络分别对风速和功率进行预测。适合实际风场中有限的过程数据,且囿于实时性的要求,网络结构也不能任意增加，过分依赖于网络的泛化能力的情况。并将加入“改进”“变异”“淘汰”思想的改进微粒群算法对神经网络进行优化，可以有效提高建模的速度和精度。
2、在业内普遍采用单神经网络和物理CFD建模的情况下，常规的神经网络不能很好的拟合风速极端变化的情况，而物理方法对于一个风场来讲，地形、湍流以及尾流效应等不确定性因素常用一个值来代替，很难做到精确建模。本发明创新性地应用物理CFD模型对单机进行建模，减小了整个风场的集中效应影响，并结合改进的神经网络，使模型具备了稳定和不稳定两种状态下的建模准确性，为精确地功率预测奠定了基础。
3、独特的功率预测模块设计。现有的风功率系统只使用厂家提供的功率曲线进行简单映射来获得预测风速，而分散式风机常运行在恶劣的环境（高海拔、低温），实际环境与实验室不同，导致实际的功率曲线偏离标准功率曲线。本方法采用的输入数据为预测风速、变化趋势以及历史输出功率。由于风电机组对于风速的时变性会产生诸如变桨或偏航的动作，会直接影响风机输出的动态功率，增加下一时刻的风速和历史功率可以有效反映风电机组的动态输出状态，得到的模型比现有的实际运行的风机模型更加准确，特别适合风机数量少、风速时变、间歇性强的情况。
4、将删选出的风机根据发电机的类型分为异步、双馈、永磁直驱三类。由于不同类型发电机的功率特性会随着转速的波动产生性能差异，比如永磁电机体现出对转速的硬特性，在低转速的情况下依然保持较高的能量转换效率，而异步电机在低转速区输出功率会随着转速的下降急剧下降；对于电网故障的情况，三种发电机所表现出来的低电压穿越性能也不尽相同。采用不同发电机的风电机组的主控系统对风速变化时的控制动作同样也会不同。因此，同样的风扰动会直接导致输出功率变化的差异性。本方法根据发电机的类型进行分类建模可以更加准确的拟合分散式风场风速对功率的动态功率变化，特别适合复杂的地形，这也是物理和统计方法有效结合的优势。
5、采用分象限外推系数推算风电场出力。在风电场设计时的发电量计算模型的基础上，借助有风资源实时预测结果的代表点，按风向分象限统计代表点各风速出力与风电场的出力之间的关系，定义为各象限外推系数，利用外推系数推算风电场的实时出力，这种方法避免了利用流体力学模型的庞大计算量，提高了工作的效率和预测的反应时间，按风向不同象限统计外推系数也兼顾了边界条件不同对计算结果的影响，提高了预测精度。
综上所述，本发明首次提出双层组合神经网络分别对风速和功率进行预测。采取适合各自的有效地神经网络类型进行分别建模，并将加入“改进”“变异”“淘汰”思想的改进微粒群算法对神经网络进行优化，可以有效提高建模的速度和精度，实现风速和功率的解耦。
附图说明
图1 分散式风电功率预测系统关系图；
 图2分散式风电功率预测系统风速预测模块结构图；
 图3分散式风电功率预测系统功率预测模块结构图；
 图4改进粒子群优化神经网络的功率预测流程图；
 图5分散式风电功率预测系统结构图；
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好的理解本发明。
一种适用于分散式接入的组合风电功率预测方法，包括如下步骤：
步骤1，数据采集和预处理：
分散式风电功率预测系统通过收集测风塔点的历史气象数据，对数据进行预处理，剔除坏数据，根据数据和现场要求，统计单位时间的平均值，形成可用于风功率预测的数据样本集，对数据分段，根据实际情况，分为3份，前2/3用于预测训练的样本集，后1/3作为测试和订正预测模型的测试集；
步骤2，利用归一化后的训练样本集和预测样本集建立基于径向基神经网络的风速预测模型并预测分散风机点下一时刻风速和变化趋势；
步骤3，根据分散式风场地形、粗糙度、尾流影响等因素建立分散式风电场区CFD模型并外推出场区内每台风机的预测风速；
步骤4，通过采集分散式风场SCADA系统风机功率数据，结合外推风机处历史气象数据和历史输出功率，利用改进微粒群优化的BP神经网络分散式风机功率进行预测，并结合风机厂商提供的标准功率曲线数据进行订正，采用的输入数据为预测风速和变化趋势，输出风电机组的动态预测功率；
步骤5，采用关联系数，对异步、双馈、永磁直驱三种发电机的风电机组进行分群建模，最后根据外推系数得到分散式风场预测功率。
步骤2中的数据的获取和预处理：风速预测系统从测风塔数据库及数值天气预报数据库获得指定时间段内的数据，包括风速、风向、温度、湿度、大气压强等，并用两组数据进行关联性分析及相互修正，由此得到训练集和测试集；
本方法设计如下公式把数据归一化到[0.05,0.95]区间，以便使网络输出有足够的增长空间：
Figure DEST_PATH_IMAGE002AAAA
式中
Figure 586301DEST_PATH_IMAGE004
为归一化后的输入样本；
Figure 211186DEST_PATH_IMAGE006
为原始输入样本；
其中将t-1时刻的风速、风向、温度、湿度、大气压强等作为输入向量X，输出向量Y为t、t+1时刻的风速。
本方法创新性地应用物理CFD模型对单机进行建模，减小整个风场集中效应的影响，并结合改进的神经网络，使模型具备了稳定和不稳定两种状态下的建模准确性，为精确地功率预测奠定了基础；
步骤3中的分散式风电场区CFD模型通过分散式风电场的地形、大气热稳定度、粗糙度、风切变、尾流效应等因素进行建模，继而通过订正方法不断优化参数和结构，直到模型与实际区域风速分布误差满足要求停止，订正方法有两种：（1）、塔间修正；首先收集两个测风塔的气象数据将处理后的数据通过物理CFD方法外推到另外测风塔，将得到的外推气象数据与实际气象数据进行比对，通过误差最小的约束条件不断循环订正，直到满足条件为止；（2）、测风塔—气象预报订正；通过获取附近气象站或者气象部门提供的当地区域气象数据为基础，外推到测风塔，并与真实数据进行对比修正，本方法拟定均方误差≤20%为约束条件；
步骤2中的风速预测模块，首先：采集测风塔的实时数据，预处理后输入到已建立好的地理模型，通过CFD方法建立插件表，通过映射得到各台分散式风电机组处网格的预测风速v_((t)n)和下一时刻风速v_(t+1)n。
步骤4中的风机功率预测模块，采用的输入数据为预测风速、变化趋势以及历史输出功率，由于风电机组对于风速的时变性会产生诸如变桨或偏航的动作，会直接影响风机输出的动态功率，增加下一时刻的风速和历史功率可以有效反映风电机组的动态输出状态，得到的模型比现有的实际运行的风机模型更加准确，特别适合风机数量少、风速时变、间歇性强的情况；
建立基于改进微粒群优化的BP神经网络的功率预测模型，本方法采用3层神经网络结构，即输入层、输出层和一个隐含层，输入层的节点有t、t+1时刻的每个分散点的预测风速及t-1时刻的风机的输出功率，输出层为t时刻的预测功率，本方法采用试验法确定隐含层节点个数，分别改变
Figure 631803DEST_PATH_IMAGE008
，用同一样本训练，从中确定网络误差最小时所对应的隐含层节点数，其中l为隐含层节
点数，n为输入层节点数，m为输出层节点数，a为1-10之间的调节常数；
用改进的微粒群算法优化BP神经网络的权值与阈值，包括如下步骤：
适应度函数：
Figure 42056DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012AAAA
式中，mse为网络的均方误差；
Figure 192722DEST_PATH_IMAGE014
 为训练样本总数；Y为网络输出；y 为样本实际输出；当 F 在一定程度上接近 1时，即被认为达到网络的精度要求；
淘汰操作：淘汰操作是基于适应度比例的选择策略，每个个体i 的选择概率Pi 为 ：
Figure 55636DEST_PATH_IMAGE016
=
Figure 466894DEST_PATH_IMAGE018
 式中，Fi为个体 i 的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；K为系数；N 为种群个体数目；
蜕变操作：按照一定的概率进行蜕变操作：假设选定微粒i进行蜕变，将该微粒的当前最好位置
Figure 140638DEST_PATH_IMAGE024
用当前全局最好位置
Figure 743045DEST_PATH_IMAGE026
代替，即
Figure 443148DEST_PATH_IMAGE028
，而该微粒所具有的位置速度属性不改变，继续进化；
变异操作：为了保持微粒飞行后期的多样性，每个微粒在同一速度方向上，以大小不同的幅值飞行：
vij(t+1)=
Figure 811681DEST_PATH_IMAGE030
vij(t)+c1r1j(t)(pij(t)-xij(t))+c2r2j(t)( gbest(t)-xij(t))
xij(t+1)=xij(t)+vij(t+1)
Figure DEST_PATH_IMAGE032AAAA
Figure DEST_PATH_IMAGE034AAAA
式中,分别为微粒所允许的最大速度与最小速度，T为最大进化次数，若vij (t+1)> vmax则搜索速度变小；若vij (t+1)<vmin则搜索速度变大；若vmax> vij (0)> vmin速度合适时，搜索速度vij (0)在两边变大和变小，检验是否符合条件，如果当前全局最佳位置满足预定的要求或是进化次数达到给定次数时，则停止迭代，输出神经网络的最优解。
步骤5中的关联系数，对异步、双馈、永磁直驱三种发电机的风电机组进行分群建模，由于不同类型发电机的功率特性会随着转速的波动产生性能差异，对于电网故障的情况，三种发电机所表现出来的低电压穿越性能也不尽相同，风电机组的主控系统对风速变化时的控制动作同样也会不同，因此，同样的风扰动会直接导致输出功率变化的差异性。本方法根据发电机的类型进行分类建模可以更加准确的拟合分散式风场风速对功率的动态功率变化，特别适合复杂的地形，这也是物理和统计方法有效结合的优势，最后利用外推系数得到分散式风场预测功率。其中参数的选取如下所述：
(a) 根据各个风机实测出力与区域实际出力的关联系数选择基准风电机组并确定所选基准风电机组的个数，关联系数采用下述公式计算 ；
Figure 453884DEST_PATH_IMAGE036
其中 ：
Figure 353707DEST_PATH_IMAGE038
为第 i 个风电机组出力与区域出力之间的关联系数 ；
n 为分散式风电场功率测量点的个数 ；
Figure 109698DEST_PATH_IMAGE040
为第k个测量点与平均值的功率偏差值；
为第k个测量点与平均值的出力偏差值；
Figure 896574DEST_PATH_IMAGE044
为第 k 个测量点的实测功率 ；
Figure 221376DEST_PATH_IMAGE046
为n 个测量点的平均值 ；
为该区域第 k 个测量点对应的区域实际出力 ；
Figure 606407DEST_PATH_IMAGE050
为该区域 n 个测量点的平均出力 ；
(b). 按照计算后的关联系数大小进行排序，选择关联系数大的风电场为基准风电场，并使各个基准风电机组出力之和达到区域额定功率的 70％ ；
设 i ＝ 1，2...L 依次为关联系数较大的前 L 个风电场的编号，且满足
Figure 590412DEST_PATH_IMAGE052
其中 ：
Figure 136931DEST_PATH_IMAGE054
为第 i 个风电机组的额定出力 ；
为该区域的额定出力；
则所选的基准风电机组编号 1.2...L 的风机，共计 L 个； 
由于不同风向对应着不同的天气类型，所以外推系数按风向分16象限，每个象限内整个风电场的出力与基准点的出力的比值，则为各象限的外推系数，选定编号为m的风机为基准点，第i象限m风机对风电场的外推系数
Figure 448669DEST_PATH_IMAGE058
可按下式计算：
Figure 416625DEST_PATH_IMAGE060
其中:
x指风机的出力;
y指风机容量;
n指风电场风机总台数;
J指风机编号，为1……n;
m指选定代表点的风机编号；
i象限编号，为1...... 16。
下面结合具体的附图对本发明进行进一步的详细描述：
图1为分散式风电功率预测系统关系图。
首先，本方法根据分散式风电场关键位置点测风塔采集风速、风向、温度、气压等数据，输入到测风塔的风速预测模型，得到下一时刻和大下时刻的气象数据。其次，将得到的测风塔的气象预测数据，输入到地形物理模型，结合物理CFD方法外推出距离5公里范围内的每个分散点风机的气象数据。然后，通过基于改进的微粒群优化BP神经网络组合预测风电机组输出功率，并通过关联性系数高的三种类型发电机组成的风电场功率输出模型预测出分散式风电场的输出功率，最后，对三个输出功率进行加权平均，求得最终分散式风电场的输出功率值。
图2为分散式风电功率预测系统风速预测模块结构图。
由于风速的变化大体服从瑞利分布，为了更好的刻画出这种变化趋势，本方法建立一种径向基函数为高斯函数（radbas）的径向基神经网络的风速预测模型。通过样本集训练RBF网络模型，测试集对预测后的测风塔单点数据的预测值和实际值进行对比和订正，当达到允许误差范围内时停止。
传统的风速预测模型有以下不可避免的缺点：
1、              多元回归模型主要适用于求解线性方程，对于非线性方程问题的求解具有一定的局限性。对于风速时间序列是高度的非线性的问题，因此不管是函数表达还是求解都是非常棘手的问题。
2、              模糊模式识别模型虽然具有处理非线性问题的能力，但是没有自适应学习的能力，从而不能很好的预测下一时刻的风速，再者对于风速预测，如何自动生成和调整隶属度函数及模糊规则也是一个不容易实现的问题。
3、              BP神经网络具有很强的非线性拟合能力，可以任意映射复杂的非线性问题，而且算法简单便于用计算机实现，此外还有记忆能力、自适应学习能力和很强的鲁棒性。但是由于其采用LMS学习规则，使得它用于预测风速时容易产生梯度方向的剧烈变化，导致网络不稳定；而且BP网络容易陷于局部最优值；又BP神经网络的激活函数为S型函数，这种函数具有全局的特性，这就使得神经元具有很大的输入可见区域，当风速在极端天气剧烈变化时，BP神经网络依然会同样做出响应，由此产生较大的误差，在预测风速方面BP神经网络的泛化能力不如径向基神经网络；BP神经网络的拓扑结构及初始权值与阈值的确定缺乏理论基础，一般都依赖于经验和试凑，从而使得到最优网络比较困难；最后，BP神经网络的学习收敛速度相比于径向基神经网络较慢。
本方法采用径向基神经网络(RBF)进行风速预测，有如下原因：
1、              径向基神经网络（RBF）同BP神经网络一样具有更加强大的非线性逼近能力，可以映射任意复杂的非线性关系，还具有记忆能力、自适应学习能力及很强的鲁棒性，而且算法简单便于在计算机实现。
2、              径向基神经网络（RBF）的激活函数为径向基函数（本方法采用高斯函数），致使RBF网络具有局部响应特性，只有当输入接近网络接受域时网络才会对之做出反应，神经网络的输出则是所有响应的加权和，适合用于预测服从瑞利分布的风速变化预测。
3、              径向基神经网络（RBF）的网络连接权值与输出呈线性关系，从而具有较快的收敛速度及强大的自我修复和抗噪能力，这些特性比较适合用于超短期的风速预
4、              径向基神经网络（RBF）的拓扑结构紧凑，结构参数可实现分离学习
利用径向基神经网络预测风速包括如下步骤：
1、            数据的获取和预处理：风速预测系统从测风塔数据库及数值天气预报数据库获得指定时间段内的数据，包括风速、风向、温度、湿度、大气压强等。并用两组数据进行关联性分析及相互修正，由此得到训练集和仿真集。其中将t-1时刻的风速、风向、温度、湿度、大气压强等作为输入向量X，输出向量Y为t、t+1时刻的风速。
2、            RBF隐含层径向基函数中心ci的确定：本方法采用K-均值聚类算法进行确定，其算法步骤如下：
1）              随机选取m个训练样本作为聚类中心ci(k),i=1,2,…,m;k为迭代次数。
2）              计算所有样本输入与聚类中心的距离:
Figure 699707DEST_PATH_IMAGE062
,i=1,2,…,m;j=1,2,…n;x1,x2,…,xn为输入样本；y1,y2,…,yn为输出样本。
3）              将输入的训练样本集合按最近邻规则分组，即当
i(xj)=,当i=1,2,…,m;j=1,2,…n时，xj被归为第i类，即
xj
Figure 401133DEST_PATH_IMAGE066
,为聚类域。
4）              根据
Figure 61101DEST_PATH_IMAGE070
调整聚类中心。其中ni为中包含的样本数i=1,2,…,n。
5）              如果ci(k+1)≠ ci(k),转到步骤2），否则聚类结束。
3、            宽度
Figure 497768DEST_PATH_IMAGE072
可由下式确定：
式中为所选取中心之间的最大距离。
4、            采用伪逆法计算出输出的权值：当输入为xp时，第j个隐含层节点的输出为：
Figure 56716DEST_PATH_IMAGE078
则隐含层的输出矩阵为：
如果RBF的当前权值为w=(w1,w2,…wm)则网络的输出向量为
Figure 305481DEST_PATH_IMAGE082
令网络输出向量Y等于导师信号D，则w可用
Figure 82944DEST_PATH_IMAGE084
中的伪逆求出
Figure 980679DEST_PATH_IMAGE088
其中
Figure 837776DEST_PATH_IMAGE090
。
传统的用于风电风速预测的模型主要有:多元回归模型、模糊模式识别模型、BP神经网络模型等。本方法针对风速的变化特点及分散式风电场的特点，采用径向基神经网络对风速进行预测。
 
图3分散式风电功率预测系统功率预测模块结构图
首先采集分散式风场SCADA系统风机功率数据，并进行预处理。其次，结合外推风机处历史气象数据和历史输出功率对采用异步、双馈、永磁直驱三种发电机的风电机组进行建模，并结合风机厂商提供的标准功率曲线数据进行订正。优势：1、现有的风功率系统只使用厂家提供的功率曲线进行简单映射来获得预测风速，而分散式风机常运行在恶劣的环境（高海拔、低温），实际环境与实验室不同，导致实际的功率曲线偏离标准功率曲线。2、本方法采用的输入数据为预测风速和变化趋势，增加了下一时刻的风速。由于风电机组对于风速的时变性会产生诸如变桨或偏航的动作，会直接影响风机输出的动态功率，这样建模可以有效反映风电机组的动态输出状态，得到的模型比现有的实际运行的风机模型更加准确，特别适合风速时变、间歇性强的情况。最后，得到三种类型风电机组输出的预测功率。同样，选择历史至少1～6个月的风速和功率数据进行模型的订正。
传统的BP神经网络具有良好的非线性和自适应学习能力，但是在用于预测功率时易出现震荡，收敛速度相对较慢，易陷入局部最优值。而且初始权值和阈值难以确定，这些因素导致BP神经网络不能直接用于超短期风功率的预测。本方法采用优化的BP神经网络。微粒群优化算法是一种基于社会交互现象的随机全局优化技术，它不依赖于具体领域，而是直接以所求问题的变量作为运算对象，以适应度函数值作为搜索目标，同时可以使用多个搜索点的信息，非常适合用于求解一些非线性、不可微的、多目标的优化问题。基于微粒群优化算法的上述特点，本方法利用微粒群模型对BP神经网络的初始权值和阈值进行整体优化，使得针对训练目标BP神经网络的学习更具有整体性，并用自身极强的全局泛化能力和收敛性能避免了使用LMS算法导致早熟现象和计算困难。利用微粒群优化算法的全局搜索能力可以减小BP神经网络易陷于局部最优值的缺点，充分发挥其更强大的拟合能力。微粒群优化算法是一种使用“群体”概念的算法，在学习速率和收敛速度上都存在一定的滞后，所以在超短期风功率预测系统中不能直接用于对BP神经网络进行优化，本方法采用优化的微粒群算法解决上述问题。改进的微粒群优化算法引入了淘汰机制和蜕变机制，保证种群能够比较快速的得到最优解，从而提高了算法的学习与收敛速度；引入的进化机制保持了微粒群的多样性，使得算法在搜索空间中的遍历性得到保证，因而更有可能获得全局最优，同时又可以实现局部搜素，进而再次提高收敛速度和提高算法精度。
利用基于改进微粒群优化的BP神经网络预测单机功率包括如下步骤：
1、              数据的获取及预处理：从风电场CFD模块及SCADA获得风速及功率，并进行如下处理：
1)      数据筛选 本方法采用数值分析与实际物理过程相结合的手段，利用风机发电原理及所涉及的气象知识对数据进行筛选，从而剔除一些错误的数据。
2)      数据归一化 由于本方法所设计的BP神经网络的输入节点的物理量存在不同，有的数值相差很大，如风速与功率。为了防止小的数值信息被大数值信息所淹没，将样本归一到[0,1]区间内。再者本方法设计的BP 神经网络以S型函数作为激活函数，该函数的值域为（0,1），若一般的将输入样本归一到[0,1]区间内，规范后的每个输出的值的序列中至少有一个值为1，一个为0，恰好是S型函数的极小值与极大值，要求足够大的连接权值才能使网络的输出值与其相匹配，从而需要多次的训练来不断修正权值，导致训练速度缓慢。本方法设计如下公式把数据归一化到[0.05,0.95]区间，以便使网络输出有足够的增长空间。
Figure DEST_PATH_IMAGE002AAAAA
式中为归一化后的输入样本；为原始输入样本。
2、              BP神经网络结构的设计 由于对于任何闭区间内的一个连续函数都可以用一个隐含层的BP神经网络进行逼近，本方法采用3层神经网络结构，即输入层、输出层和一个隐含层。输入层的节点有t、t+1时刻的每个分散点的预测风速及t-1时刻的风机的输出功率。输出层为t时刻的预测功率。本方法采用试验法确定隐含层节点个数，分别改变
Figure 668088DEST_PATH_IMAGE008
，用同一样本训练，从中确定网络误差最小时所对应的隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为1-10之间的调节常数。
图4改进粒子群优化神经网络的功率预测流程图；
用改进的微粒群算法优化BP神经网络的权值与阈值，包括如下步骤：
1）           根据确定的BP神经网络的拓扑结构，初始化搜索微粒的位置与速度；
2）           根据神经网络确定适应度函数，并根据适应度函数计算微粒的适应值，并确定出微粒自身的最好位置及全局最好位置
Figure 736724DEST_PATH_IMAGE094
。其中：
Figure 762449DEST_PATH_IMAGE096
      适应度函数：
Figure 219363DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012AAAAA
式中，mse为网络的均方误差；
Figure 277318DEST_PATH_IMAGE014
 为训练样本总数；Y为网络输出；y 为样本实际输出；当 F 在一定程度上接近 1时，即被认为达到网络的精度要求。
3）           淘汰操作 淘汰操作是基于适应度比例的选择策略，每个个体i 的选     择概率Pi 为 ：
Figure 883879DEST_PATH_IMAGE016
=
Figure DEST_PATH_IMAGE020AAAAA
 式中，Fi为个体 i 的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；K为系数；N 为种群个体数目。
4）           蜕变操作 按照一定的概率进行蜕变操作：假设选定微粒i进行蜕变，将该微粒的当前最好位置用当前全局最好位置
Figure 534380DEST_PATH_IMAGE026
代替，即，而该微粒所具有的位置速度属性不改变，继续进化。
5）           当所有微粒向着最优解的方向靠近，越接近最有位置，其速度越小，微粒容易趋向同一，失去微粒的多样性，因而易于收敛于局部最优。再者微粒都是根据全体微粒和自身的搜索经验向着最优解的方向飞行，在较大的惯性因子的作用下，微粒有可能会缺乏对最优解的精细搜索而导致搜索精度不高。
为了保持微粒飞行后期的多样性，每个微粒在同一速度方向上，以大小不同的幅值飞行。从这些位置中选择个体和全局最优位置“极值”来更新微粒的速度。大的速度幅值满足微粒全局搜索的要求，避免陷入局部最优和早熟现象；小的速度幅值满足细化搜索要求，避免飞跃最优解空间，较快求得最优解。
vij(t+1)=vij(t)+c1r1j(t)(pij(t)-xij(t))+c2r2j(t)( gbest(t)-xij(t))
xij(t+1)=xij(t)+vij(t+1)
Figure DEST_PATH_IMAGE032AAAAA
Figure DEST_PATH_IMAGE034AAAAA
式中,分别为微粒所允许的最大速度与最小速度，T为最大进化次数。若vij (t+1)> vmax则搜索速度变小；若vij (t+1)<vmin则搜索速度变大；若vmax> vij (0)> vmin速度合适时，搜索速度vij (0)在两边变大和变小。
6）           检验是否符合条件，如果当前全局最佳位置满足预定的要求或是进化次数达到给定次数时，则停止迭代，输出神经网络的最优解，否则，转到2）。
图5分散式风电功率预测系统结构图；
现有的系统往往对整个风电场建立一个整体模型或对单个机组建模后进行简单的叠加。没有考虑到不同类型的发电机对风速扰动性产生的差异，以及局部极端天气对整体的影响。本方法主要通过关联性系数和风电机组类型将风电机群分为3类。首先，通过关联性系数删选出一部分代表性好的风机作为分散式风场的模型。其次，将选择的风电机组按照异步、双馈、永磁直驱三种发电机分为三类，最后，将得到的代表模型乘以外推系数得到分散式风场的模型。
通过研究发现，由于风速的时变性，单个风电机组的功率输出扰动比较大，存在一系列高次谐波，而电网调度往往根据风电场的预测功率输出的平均值进行调度，而没有考虑功率的随机波动性。由于分散式风电距离居民区比较近而且并入配电网，波动的潮流会影响配电网的稳定，影响社会的日常生活。对多个风电机组的输出功率的组合叠加可以有效滤除高次谐波。通过选择关联性强的风电机组输出功率代表整个分散式风场的输出功率的方法，还可以有效滤除因个别风机受到局部扰动给整体预测功率带来的波动。对于关联性系数的方法国内已有所研究。常规方法主要针对集中式风场，由于集中式风场容量大，风场面积大，因此选择的关联性系数常为75%，而分散式风电场风机分散面积小，风机之间风速关联性高，因此本方法设定关联性系数为80%。选择风电机组的容量为≥75%所有风电机组的容量之和。
步骤中具体参数如下 ：
(a) 根据各个风电机组实测出力与区域实际出力的关联系数选择基准风电机组并确定所选基准风电机组的个数，关联系数采用下述公式计算 ；
Figure 854875DEST_PATH_IMAGE036
其中 ：
Figure 410928DEST_PATH_IMAGE038
为第 i 个风电机组出力与区域出力之间的关联系数 ；
n 为分散式风电场功率测量点的个数 ；
Figure 949357DEST_PATH_IMAGE040
为第k个测量点与平均值的功率偏差值；
Figure 599650DEST_PATH_IMAGE042
为第k个测量点与平均值的出力偏差值；
Figure 881727DEST_PATH_IMAGE044
为第 k 个测量点的实测功率 ；
Figure 566655DEST_PATH_IMAGE046
为n 个测量点的平均值 ；
Figure 72722DEST_PATH_IMAGE048
为该区域第 k 个测量点对应的区域实际出力 ；
为该区域 n 个测量点的平均出力 ；
(b). 按照计算后的关联系数大小进行排序，选择关联系数大的风电机组为基准风电机组，并使各个基准风电机组出力之和达到区域额定功率的 70％ ；
设 i ＝ 1，2...L 依次为关联系数较大的前 L 个风电机组的编号，且满足
Figure 296079DEST_PATH_IMAGE052
其中 ：
Figure 586246DEST_PATH_IMAGE054
为第 i 个风电机组的额定出力 ；
Figure 453096DEST_PATH_IMAGE056
为该区域的额定出力。
则所选的基准风电机组为编号 1.2...L 的风电机组，共计 L 个。
(c).本方法中，各象限外推系数计算方法如下: 通过分散式风电机组功率计算模型计算出风电场内每台风机的出力，同时参考风电场至少一年的实际运行资料，选择其中具有代表性的风机作为基准代表点，整个风电场的出力(即所有风机出力之和)与该代表点的出力的比值，为全象限外推系数，按风向分16象限，每个象限内整个风电场的出力与该代表点的出力的比值，则为各象限的外推系数。选定编号为m的风机为代表点，第i象限m风机对风电场的的外推系数ki可按下式计算。
Figure 15664DEST_PATH_IMAGE098
其中:
x指风机的出力;
y指风机容量;
n指风电场风机总台数;
J指风机编号，为1……n;
m指选定代表点的风机编号
i象限编号，为1...... 160
将删选出的风机根据发电机的类型分为异步、双馈、永磁直驱三类。由于不同类型发电机的功率特性会随着转速的波动产生性能差异，比如永磁电机体现出对转速的硬特性，在低转速的情况下依然保持较高的能量转换效率，而异步电机在低转速区输出功率会随着转速的下降急剧下降；对于电网故障的情况，三种发电机所表现出来的低电压穿越性能也不尽相同。采用不同发电机的风电机组的主控系统对风速变化时的控制动作同样也会不同。因此，同样的风扰动会直接导致输出功率变化的差异性。本方法根据发电机的类型进行分类建模可以更加准确的拟合分散式风场风速对功率的动态功率变化，特别适合复杂的地形，这也是物理和统计方法有效结合的优势。
在上述实施例中，风电场信息采集包括历史功率数据采集、历史风速数据采集。功率数据可以在风电场中央监控系统中取得。中央监控系统每15 分钟采集风电场的出力情况并保存在指定的文件夹中。不同公司开发的中央监控系统数据存储格式不同，需要其在指定环境下才能打开。历史数据中存在一定的错误数据，需要进一步处理才能应用于风电场输出功率预测。
 风速数据的采集需要在风电场具有代表性的地点建立测风塔。在地形简单、风速稳定的小风电场一个测风塔基本上就能够代表整个风电场的风速情况。但是在地形复杂的风电场（比如山地地形），则需要选择多个典型地点建立测风塔才能正确表示出该风场的风速情况。本方法为分散式风电场，故选择一个测风塔。
测风塔高度一般在70 米，根据预报系统数据的需要，在测风塔上需要安装的传感器有风速传感器、风向传感器、温度传感器、气压传感器和湿度传感器。具体地，各传感器的安装：温度传感器、气压湿度传感器可以安装在10 米高处，风速传感器和风向传感器可以在10 米、30 米、50 米、70 米处各安装一个。

Claims (5)

1.一种适用于分散式接入的组合风电功率预测方法，包括如下步骤：
步骤1，数据采集和预处理：
分散式风电功率预测系统通过收集测风塔点的历史气象数据，对数据进行预处理，剔除坏数据，根据数据和现场要求，统计单位时间的平均值，形成可用于风功率预测的数据样本集，对数据分段，根据实际情况，分为3份，前2/3用于预测训练的样本集，后1/3作为测试和订正预测模型的测试集；
步骤2，利用归一化后的训练样本集和预测样本集建立基于径向基神经网络的风速预测模型并预测分散风机点下一时刻风速和变化趋势；
步骤3，根据分散式风场地形、粗糙度、尾流影响等因素建立分散式风电场区CFD模型并外推出场区内每台风机的预测风速；
步骤4，通过采集分散式风场SCADA系统风机功率数据，结合外推风机处历史气象数据和历史输出功率，利用改进微粒群优化的BP神经网络分散式风机功率进行预测，并结合风机厂商提供的标准功率曲线数据进行订正，采用的输入数据为预测风速和变化趋势，输出风电机组的动态预测功率；
步骤5，采用关联系数，对异步、双馈、永磁直驱三种发电机的风电机组进行分群建模，最后根据外推系数得到分散式风场预测功率。
2.根据权利1所述的一种适用于分散式接入的组合风电功率预测方法，其特征在于：
步骤2中的数据的获取和预处理：风速预测系统从测风塔数据库及数值天气预报数据库获得指定时间段内的数据，包括风速、风向、温度、湿度、大气压强等，并用两组数据进行关联性分析及相互修正，由此得到训练集和测试集；
本方法设计如下公式把数据归一化到[0.05,0.95]区间，以便使网络输出有足够的增长空间：
Figure 974148DEST_PATH_IMAGE002
式中
Figure 2013100718972100001DEST_PATH_IMAGE003
为归一化后的输入样本；
Figure 18852DEST_PATH_IMAGE004
为原始输入样本；
其中将t-1时刻的风速、风向、温度、湿度、大气压强等作为输入向量X，输出向量Y为t、t+1时刻的风速。
3.根据权利1所述的一种适用于分散式接入的组合风电功率预测方法，其特征在于：
本方法创新性地应用物理CFD模型对单机进行建模，减小整个风场集中效应的影响，并结合改进的神经网络，使模型具备了稳定和不稳定两种状态下的建模准确性，为精确地功率预测奠定了基础；
步骤3中的分散式风电场区CFD模型通过分散式风电场的地形、大气热稳定度、粗糙度、风切变、尾流效应等因素进行建模，继而通过订正方法不断优化参数和结构，直到模型与实际区域风速分布误差满足要求停止，订正方法有两种：（1）、塔间修正；首先收集两个测风塔的气象数据将处理后的数据通过物理CFD方法外推到另外测风塔，将得到的外推气象数据与实际气象数据进行比对，通过误差最小的约束条件不断循环订正，直到满足条件为止；（2）、测风塔—气象预报订正；通过获取附近气象站或者气象部门提供的当地区域气象数据为基础，外推到测风塔，并与真实数据进行对比修正，本方法拟定均方误差≤20%为约束条件；
步骤2中的风速预测模块，首先：采集测风塔的实时数据，预处理后输入到已建立好的地理模型，通过CFD方法建立插件表，通过映射得到各台分散式风电机组处网格的预测风速v_((t)n)和下一时刻风速v_(t+1)n。
4.根据权利1所述的一种适用于分散式接入的组合风电功率预测方法，其特征在于：
步骤4中的风机功率预测模块，采用的输入数据为预测风速、变化趋势以及历史输出功率，由于风电机组对于风速的时变性会产生诸如变桨或偏航的动作，会直接影响风机输出的动态功率，增加下一时刻的风速和历史功率可以有效反映风电机组的动态输出状态，得到的模型比现有的实际运行的风机模型更加准确，特别适合风机数量少、风速时变、间歇性强的情况；
建立基于改进微粒群优化的BP神经网络的功率预测模型，本方法采用3层神经网络结构，即输入层、输出层和一个隐含层，输入层的节点有t、t+1时刻的每个分散点的预测风速及t-1时刻的风机的输出功率，输出层为t时刻的预测功率，本方法采用试验法确定隐含层节点个数，分别改变
Figure 2013100718972100001DEST_PATH_IMAGE005
，用同一样本训练，从中确定网络误差最小时所对应的隐含层节点数，其中l为隐含层节
点数，n为输入层节点数，m为输出层节点数，a为1-10之间的调节常数；
用改进的微粒群算法优化BP神经网络的权值与阈值，包括如下步骤：
适应度函数：
Figure 380749DEST_PATH_IMAGE008
式中，mse为网络的均方误差；
Figure 2013100718972100001DEST_PATH_IMAGE009
 为训练样本总数；Y为网络输出；y 为样本实际输出；当 F 在一定程度上接近 1时，即被认为达到网络的精度要求；
淘汰操作：淘汰操作是基于适应度比例的选择策略，每个个体i 的选择概率Pi 为 ：
Figure 257438DEST_PATH_IMAGE010
=
Figure DEST_PATH_IMAGE013
 式中，Fi 为个体 i 的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；K为系数；N 为种群个体数目；
蜕变操作：按照一定的概率
Figure 281500DEST_PATH_IMAGE014
进行蜕变操作：假设选定微粒i进行蜕变，将该微粒的当前最好位置
Figure DEST_PATH_IMAGE015
用当前全局最好位置
Figure 673167DEST_PATH_IMAGE016
代替，即
Figure DEST_PATH_IMAGE017
，而该微粒所具有的位置速度属性不改变，继续进化；
变异操作：为了保持微粒飞行后期的多样性，每个微粒在同一速度方向上，以大小不同的幅值飞行：
vij(t+1)=
Figure 996701DEST_PATH_IMAGE018
vij(t)+c1r1j(t)(pij(t)-xij(t))+c2r2j(t)( gbest(t)-xij(t))
xij(t+1)=xij(t)+vij(t+1)
Figure 665579DEST_PATH_IMAGE020
Figure 721260DEST_PATH_IMAGE022
式中,分别为微粒所允许的最大速度与最小速度，T为最大进化次数，若vij (t+1)> vmax则搜索速度变小；若vij (t+1)<vmin则搜索速度变大；若vmax> vij (0)> vmin速度合适时，搜索速度vij (0)在两边变大和变小，检验是否符合条件，如果当前全局最佳位置满足预定的要求或是进化次数达到给定次数时，则停止迭代，输出神经网络的最优解。
5.根据权利1所述的一种适用于分散式接入的组合风电功率预测方法，其特征在于：
步骤5中的关联系数，对异步、双馈、永磁直驱三种发电机的风电机组进行分群建模，由于不同类型发电机的功率特性会随着转速的波动产生性能差异，对于电网故障的情况，三种发电机所表现出来的低电压穿越性能也不尽相同，风电机组的主控系统对风速变化时的控制动作同样也会不同，因此，同样的风扰动会直接导致输出功率变化的差异性；
本方法根据发电机的类型进行分类建模可以更加准确的拟合分散式风场风速对功率的动态功率变化，特别适合复杂的地形，这也是物理和统计方法有效结合的优势，最后利用外推系数得到分散式风场预测功率；
其中参数的选取如下所述：
(a) 根据各个风机实测出力与区域实际出力的关联系数选择基准风电机组并确定所选基准风电机组的个数，关联系数采用下述公式计算 ；
Figure DEST_PATH_IMAGE023
其中 ：
Figure 600223DEST_PATH_IMAGE024
为第 i 个风电机组出力与区域出力之间的关联系数 ；
n 为分散式风电场功率测量点的个数 ；
为第k个测量点与平均值的功率偏差值；
Figure 464799DEST_PATH_IMAGE026
为第k个测量点与平均值的出力偏差值；
为第 k 个测量点的实测功率 ；
Figure 112818DEST_PATH_IMAGE028
为n 个测量点的平均值 ；
Figure DEST_PATH_IMAGE029
为该区域第 k 个测量点对应的区域实际出力 ；
Figure 604979DEST_PATH_IMAGE030
为该区域 n 个测量点的平均出力 ；
(b). 按照计算后的关联系数大小进行排序，选择关联系数大的风电场为基准风电场，并使各个基准风电机组出力之和达到区域额定功率的 70％ ；
设 i ＝ 1，2...L 依次为关联系数较大的前 L 个风电场的编号，且满足
Figure DEST_PATH_IMAGE031
其中 ：
为第 i 个风电机组的额定出力 ；
Figure DEST_PATH_IMAGE033
为该区域的额定出力；
则所选的基准风电机组编号 1.2...L 的风机，共计 L 个； 
由于不同风向对应着不同的天气类型，所以外推系数按风向分16象限，每个象限内整个风电场的出力与基准点的出力的比值，则为各象限的外推系数，选定编号为m的风机为基准点，第i象限m风机对风电场的外推系数
Figure 373925DEST_PATH_IMAGE034
可按下式计算：
Figure DEST_PATH_IMAGE035
其中:
x指风机的出力;
y指风机容量;
n指风电场风机总台数;
J指风机编号，为1……n;
m指选定代表点的风机编号；
i象限编号，为1...... 16。
CN201310071897.2A 2013-03-06 2013-03-06 一种适用于分散式风电场的组合风电功率预测方法 Active CN103268366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310071897.2A CN103268366B (zh) 2013-03-06 2013-03-06 一种适用于分散式风电场的组合风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310071897.2A CN103268366B (zh) 2013-03-06 2013-03-06 一种适用于分散式风电场的组合风电功率预测方法

Publications (2)

Publication Number Publication Date
CN103268366A true CN103268366A (zh) 2013-08-28
CN103268366B CN103268366B (zh) 2017-09-29

Family

ID=49011995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310071897.2A Active CN103268366B (zh) 2013-03-06 2013-03-06 一种适用于分散式风电场的组合风电功率预测方法

Country Status (1)

Country Link
CN (1) CN103268366B (zh)

Cited By (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489034A (zh) * 2013-10-12 2014-01-01 山东省科学院海洋仪器仪表研究所 预测与诊断在线海流监测数据的方法和装置
CN103850876A (zh) * 2014-03-14 2014-06-11 华北电力大学 一种适用于无载荷测量的风电机组独立变桨控制方法
CN103996074A (zh) * 2014-05-07 2014-08-20 河海大学 基于cfd和改进pso的复杂地形风电场微观选址方法
CN103996072A (zh) * 2014-04-29 2014-08-20 中国农业大学 一种风电场和风电区域的风电功率预测方法及系统
CN104008305A (zh) * 2014-06-11 2014-08-27 国家电网公司 用于千万千瓦风电基地的可发电风资源分布估计方法
CN104112167A (zh) * 2014-06-06 2014-10-22 国家电网公司 可发电风资源分布的获取方法
CN104166948A (zh) * 2014-08-20 2014-11-26 中国长江三峡集团公司 一种利用Globcover土地覆盖数据评估风电场风能资源的方法
CN104318316A (zh) * 2014-10-09 2015-01-28 中国科学院自动化研究所 一种用户用电实时测量方法
CN104504466A (zh) * 2014-12-17 2015-04-08 华北电力大学（保定） 考虑大气扰动效应的风电场功率预测方法
CN104638671A (zh) * 2015-01-16 2015-05-20 合肥工业大学 基于引入粒子群算法及相位扰动的孤岛检测方法
CN104933469A (zh) * 2015-03-02 2015-09-23 华北电力大学（保定） 一种基于灰色生成扰动模型的短期风速预测方法
CN105046349A (zh) * 2015-06-25 2015-11-11 广东电网有限责任公司电力科学研究院 一种计及尾流效应的风电功率预测方法
CN105205564A (zh) * 2015-09-29 2015-12-30 沈阳工程学院 基于测风塔神经网络的风电场弃风电量统计系统及方法
CN105785792A (zh) * 2016-02-26 2016-07-20 中国电力科学研究院 一种仿真风电基地出力时空特性的方法
CN106655187A (zh) * 2016-12-08 2017-05-10 国网青海省电力公司 一种svg消除离网光伏逆变器谐波能力指数预测方法
CN106779203A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于不同风速段的高原山区风电功率预测方法
CN106875038A (zh) * 2017-01-03 2017-06-20 北京国能日新系统控制技术有限公司 基于集合局地多点不同气候特征的风功率预测方法及装置
CN106950421A (zh) * 2017-01-03 2017-07-14 内蒙古电力(集团)有限责任公司 一种风电有功功率极值检测方法及装置
CN106951977A (zh) * 2017-02-08 2017-07-14 中能电力科技开发有限公司 一种基于尾流效应的风速预测模型的构建方法
CN106951997A (zh) * 2017-03-24 2017-07-14 新疆金风科技股份有限公司 预测风机的故障的方法和设备
CN108009580A (zh) * 2017-11-29 2018-05-08 上海应用技术大学 一种煤调湿出口煤湿度的测量方法
CN108063447A (zh) * 2017-11-14 2018-05-22 国网辽宁省电力有限公司 一种改进的电网低谷时段负荷功率填谷的储电调制方法
CN108335042A (zh) * 2018-02-06 2018-07-27 唐山英通科技有限公司 动态光伏电板清洗指数的计算方法
CN108695888A (zh) * 2018-05-29 2018-10-23 国网能源研究院有限公司 一种新能源发电消纳预警分析方法
CN109066707A (zh) * 2018-09-11 2018-12-21 东南大学 一种基于narma-l2模型微电网能量管理方法
CN109063936A (zh) * 2018-10-12 2018-12-21 南京千智电气科技有限公司 一种建立风电功率预测模型的方法及装置
CN109117992A (zh) * 2018-07-27 2019-01-01 华北电力大学 基于wd-la-wrf模型的超短期风功率预测方法
CN109116967A (zh) * 2018-08-06 2019-01-01 清华大学 基于时间复用的神经网络预测器及其适用的电子设备
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN109669351A (zh) * 2017-10-17 2019-04-23 中车株洲电力机车研究所有限公司 风电机组多模自适应控制方法、装置及计算机存储介质
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN109978204A (zh) * 2017-12-27 2019-07-05 北京金风慧能技术有限公司 确定风电场的风功率的预测准确率的方法和装置
CN110083642A (zh) * 2019-04-28 2019-08-02 河北建投能源投资股份有限公司 发电数据的多维度分析方法
CN110263998A (zh) * 2019-06-19 2019-09-20 大唐（赤峰）新能源有限公司 多源数值天气预报集合双层修正方法
CN110365053A (zh) * 2019-08-09 2019-10-22 南京信息工程大学 基于延迟优化策略的短期风电功率预测方法
CN110659776A (zh) * 2019-09-25 2020-01-07 南京国电南自维美德自动化有限公司 具有自适应时间尺度的新能源发电功率预测方法及系统
CN110737975A (zh) * 2019-10-08 2020-01-31 国家电网有限公司 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法
CN110765703A (zh) * 2019-11-04 2020-02-07 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种风电场聚合特性建模方法
CN110956260A (zh) * 2018-09-27 2020-04-03 瑞士电信公司 神经架构搜索的系统和方法
CN110991701A (zh) * 2019-11-12 2020-04-10 国电陕西新能源有限公司 一种基于数据融合的风电场风机风速预测方法及系统
CN110991725A (zh) * 2019-11-27 2020-04-10 东北电力大学 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN111120204A (zh) * 2019-12-20 2020-05-08 大唐可再生能源试验研究院有限公司 风力发电机组独立变桨四象限运行控制方法
CN111244966A (zh) * 2020-01-20 2020-06-05 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种基于双层模型预测控制的双馈风机调压方法
CN111417970A (zh) * 2017-11-29 2020-07-14 沙特阿拉伯石油公司 利用实时数据的湿井预测
CN111598301A (zh) * 2020-04-16 2020-08-28 国网浙江省电力有限公司电力科学研究院 多算法结合的台风风场修正方法、装置及可读存储介质
CN111950763A (zh) * 2020-07-02 2020-11-17 江苏能来能源互联网研究院有限公司 一种分布式风力发电站输出功率的预测方法
CN112231976A (zh) * 2020-10-15 2021-01-15 华北电力大学（保定） 一种风电场等效模型的建立方法
CN112577161A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN112749904A (zh) * 2021-01-14 2021-05-04 国网湖南省电力有限公司 基于深度学习的配电网故障风险预警方法及系统
CN112883652A (zh) * 2021-03-12 2021-06-01 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN112994101A (zh) * 2021-03-11 2021-06-18 中国长江三峡集团有限公司 基于神经网络的风电场发电功率后评估及监测方法
CN113095602A (zh) * 2021-05-27 2021-07-09 中国水利水电科学研究院 一种以出力平稳为目标的流域风电场群规划方法
CN113239630A (zh) * 2021-06-03 2021-08-10 上海交通大学 风资源影响的移动能源网络发电与航程优化方法和系统
CN113505483A (zh) * 2021-07-09 2021-10-15 天津大学 一种考虑风机转动惯量的风速折算出力的精确方法
CN113937763A (zh) * 2021-10-14 2022-01-14 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质
CN114021321A (zh) * 2021-10-27 2022-02-08 陈义 一种火电厂汽机控制升级系统
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN114091180A (zh) * 2021-11-19 2022-02-25 南京航空航天大学 基于飞行数据的扰动风定制化建模和大气数据估计方法
CN115099162A (zh) * 2022-08-24 2022-09-23 成都信息工程大学 一种复杂地形下风场的订正方法
CN115829140A (zh) * 2022-12-14 2023-03-21 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN116505556A (zh) * 2023-05-26 2023-07-28 华能东营河口风力发电有限公司 基于一次调频的风电场功率控制系统及方法
CN116703007A (zh) * 2023-08-01 2023-09-05 中国电力科学研究院有限公司 一种风电集群预测模型的构建方法、功率预测方法及装置
CN116992337A (zh) * 2023-09-25 2023-11-03 中国船舶集团风电发展有限公司 风资源参数的确定方法和装置
CN117056402A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司余姚市供电公司 一种基于多源信号的电机诊断方法、装置及存储介质
CN117454721A (zh) * 2023-12-21 2024-01-26 浙江远算科技有限公司 基于数字仿真实验的风电场尾流叠加效应评估方法和介质
CN118013300A (zh) * 2024-04-08 2024-05-10 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及系统
CN118399441A (zh) * 2024-07-01 2024-07-26 大唐依兰风力发电有限公司 基于多维度冗余的风电场一次调频数据调控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414751A (zh) * 2008-11-20 2009-04-22 北京方鸿溪科技有限公司 风电功率预测系统及其方法、电网系统
CN101741085A (zh) * 2009-12-11 2010-06-16 西北电网有限公司 一种短期风电功率预报方法
CN102044872A (zh) * 2010-11-18 2011-05-04 西北电网有限公司 一种风电功率中长期预报方法
US20110307109A1 (en) * 2010-05-27 2011-12-15 Sri-Jayantha Sri M Smarter-Grid: Method to Forecast Electric Energy Production and Utilization Subject to Uncertain Environmental Variables
CN102831475A (zh) * 2012-08-01 2012-12-19 华北电力大学 用于风电场功率预测模型的正弦归一化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414751A (zh) * 2008-11-20 2009-04-22 北京方鸿溪科技有限公司 风电功率预测系统及其方法、电网系统
CN101741085A (zh) * 2009-12-11 2010-06-16 西北电网有限公司 一种短期风电功率预报方法
US20110307109A1 (en) * 2010-05-27 2011-12-15 Sri-Jayantha Sri M Smarter-Grid: Method to Forecast Electric Energy Production and Utilization Subject to Uncertain Environmental Variables
CN102044872A (zh) * 2010-11-18 2011-05-04 西北电网有限公司 一种风电功率中长期预报方法
CN102831475A (zh) * 2012-08-01 2012-12-19 华北电力大学 用于风电场功率预测模型的正弦归一化方法

Cited By (113)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489034A (zh) * 2013-10-12 2014-01-01 山东省科学院海洋仪器仪表研究所 预测与诊断在线海流监测数据的方法和装置
CN103489034B (zh) * 2013-10-12 2016-02-10 山东省科学院海洋仪器仪表研究所 预测与诊断在线海流监测数据的方法和装置
CN103850876A (zh) * 2014-03-14 2014-06-11 华北电力大学 一种适用于无载荷测量的风电机组独立变桨控制方法
CN103996072A (zh) * 2014-04-29 2014-08-20 中国农业大学 一种风电场和风电区域的风电功率预测方法及系统
CN103996072B (zh) * 2014-04-29 2017-03-08 中国农业大学 一种风电场和风电区域的风电功率预测方法及系统
CN103996074B (zh) * 2014-05-07 2017-04-12 河海大学 基于cfd和改进pso的复杂地形风电场微观选址方法
CN103996074A (zh) * 2014-05-07 2014-08-20 河海大学 基于cfd和改进pso的复杂地形风电场微观选址方法
CN104112167A (zh) * 2014-06-06 2014-10-22 国家电网公司 可发电风资源分布的获取方法
CN104112167B (zh) * 2014-06-06 2017-06-23 国家电网公司 可发电风资源分布的获取方法
CN104008305A (zh) * 2014-06-11 2014-08-27 国家电网公司 用于千万千瓦风电基地的可发电风资源分布估计方法
CN104008305B (zh) * 2014-06-11 2017-03-15 国家电网公司 用于千万千瓦风电基地的可发电风资源分布估计方法
CN104166948A (zh) * 2014-08-20 2014-11-26 中国长江三峡集团公司 一种利用Globcover土地覆盖数据评估风电场风能资源的方法
CN104318316A (zh) * 2014-10-09 2015-01-28 中国科学院自动化研究所 一种用户用电实时测量方法
CN104504466A (zh) * 2014-12-17 2015-04-08 华北电力大学（保定） 考虑大气扰动效应的风电场功率预测方法
CN104504466B (zh) * 2014-12-17 2018-03-16 华北电力大学（保定） 考虑大气扰动效应的风电场功率预测方法
CN104638671A (zh) * 2015-01-16 2015-05-20 合肥工业大学 基于引入粒子群算法及相位扰动的孤岛检测方法
CN104638671B (zh) * 2015-01-16 2016-08-17 合肥工业大学 基于引入粒子群算法及相位扰动的孤岛检测方法
CN104933469B (zh) * 2015-03-02 2018-05-08 华北电力大学（保定） 一种基于灰色生成扰动模型的短期风速预测方法
CN104933469A (zh) * 2015-03-02 2015-09-23 华北电力大学（保定） 一种基于灰色生成扰动模型的短期风速预测方法
CN105046349A (zh) * 2015-06-25 2015-11-11 广东电网有限责任公司电力科学研究院 一种计及尾流效应的风电功率预测方法
CN105046349B (zh) * 2015-06-25 2018-07-27 广东电网有限责任公司电力科学研究院 一种计及尾流效应的风电功率预测方法
CN105205564A (zh) * 2015-09-29 2015-12-30 沈阳工程学院 基于测风塔神经网络的风电场弃风电量统计系统及方法
CN105785792A (zh) * 2016-02-26 2016-07-20 中国电力科学研究院 一种仿真风电基地出力时空特性的方法
CN106655187A (zh) * 2016-12-08 2017-05-10 国网青海省电力公司 一种svg消除离网光伏逆变器谐波能力指数预测方法
CN106779203A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于不同风速段的高原山区风电功率预测方法
CN106655187B (zh) * 2016-12-08 2020-05-29 国网青海省电力公司 一种svg消除离网光伏逆变器谐波能力指数预测方法
CN106779203B (zh) * 2016-12-08 2020-09-15 贵州电网有限责任公司电力科学研究院 一种基于不同风速段的高原山区风电功率预测方法
CN106875038A (zh) * 2017-01-03 2017-06-20 北京国能日新系统控制技术有限公司 基于集合局地多点不同气候特征的风功率预测方法及装置
CN106950421B (zh) * 2017-01-03 2019-04-12 内蒙古电力(集团)有限责任公司 一种风电有功功率极值检测方法及系统
CN106950421A (zh) * 2017-01-03 2017-07-14 内蒙古电力(集团)有限责任公司 一种风电有功功率极值检测方法及装置
CN106951977B (zh) * 2017-02-08 2020-10-20 中能电力科技开发有限公司 一种基于尾流效应的风速预测模型的构建方法
CN106951977A (zh) * 2017-02-08 2017-07-14 中能电力科技开发有限公司 一种基于尾流效应的风速预测模型的构建方法
CN106951997A (zh) * 2017-03-24 2017-07-14 新疆金风科技股份有限公司 预测风机的故障的方法和设备
CN106951997B (zh) * 2017-03-24 2020-11-10 新疆金风科技股份有限公司 预测风机的故障的方法和设备
CN109669351A (zh) * 2017-10-17 2019-04-23 中车株洲电力机车研究所有限公司 风电机组多模自适应控制方法、装置及计算机存储介质
CN108063447B (zh) * 2017-11-14 2021-05-11 国网辽宁省电力有限公司 一种改进的电网低谷时段负荷功率填谷的储电调制方法
CN108063447A (zh) * 2017-11-14 2018-05-22 国网辽宁省电力有限公司 一种改进的电网低谷时段负荷功率填谷的储电调制方法
CN111417970A (zh) * 2017-11-29 2020-07-14 沙特阿拉伯石油公司 利用实时数据的湿井预测
CN108009580B (zh) * 2017-11-29 2021-11-23 上海应用技术大学 一种煤调湿出口煤湿度的测量方法
CN111417970B (zh) * 2017-11-29 2022-03-22 沙特阿拉伯石油公司 利用实时数据的湿井预测
CN108009580A (zh) * 2017-11-29 2018-05-08 上海应用技术大学 一种煤调湿出口煤湿度的测量方法
CN109978204B (zh) * 2017-12-27 2021-04-06 北京金风慧能技术有限公司 确定风电场的风功率的预测准确率的方法和装置
CN109978204A (zh) * 2017-12-27 2019-07-05 北京金风慧能技术有限公司 确定风电场的风功率的预测准确率的方法和装置
CN108335042B (zh) * 2018-02-06 2022-02-01 唐山英通科技有限公司 动态光伏电板清洗指数的计算方法
CN108335042A (zh) * 2018-02-06 2018-07-27 唐山英通科技有限公司 动态光伏电板清洗指数的计算方法
CN108695888A (zh) * 2018-05-29 2018-10-23 国网能源研究院有限公司 一种新能源发电消纳预警分析方法
CN109117992B (zh) * 2018-07-27 2022-01-04 华北电力大学 基于wd-la-wrf模型的超短期风功率预测方法
CN109117992A (zh) * 2018-07-27 2019-01-01 华北电力大学 基于wd-la-wrf模型的超短期风功率预测方法
CN109116967A (zh) * 2018-08-06 2019-01-01 清华大学 基于时间复用的神经网络预测器及其适用的电子设备
CN109116967B (zh) * 2018-08-06 2020-11-24 清华大学 基于时间复用的神经网络预测器及其适用的电子设备
CN109066707B (zh) * 2018-09-11 2021-03-02 东南大学 一种基于narma-l2模型微电网能量管理方法
CN109066707A (zh) * 2018-09-11 2018-12-21 东南大学 一种基于narma-l2模型微电网能量管理方法
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN110956260A (zh) * 2018-09-27 2020-04-03 瑞士电信公司 神经架构搜索的系统和方法
CN109063936A (zh) * 2018-10-12 2018-12-21 南京千智电气科技有限公司 一种建立风电功率预测模型的方法及装置
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN110083642A (zh) * 2019-04-28 2019-08-02 河北建投能源投资股份有限公司 发电数据的多维度分析方法
CN110263998A (zh) * 2019-06-19 2019-09-20 大唐（赤峰）新能源有限公司 多源数值天气预报集合双层修正方法
CN110263998B (zh) * 2019-06-19 2024-02-13 大唐（赤峰）新能源有限公司 多源数值天气预报集合双层修正方法
CN110365053B (zh) * 2019-08-09 2023-04-25 南京信息工程大学 基于延迟优化策略的短期风电功率预测方法
CN110365053A (zh) * 2019-08-09 2019-10-22 南京信息工程大学 基于延迟优化策略的短期风电功率预测方法
CN110659776A (zh) * 2019-09-25 2020-01-07 南京国电南自维美德自动化有限公司 具有自适应时间尺度的新能源发电功率预测方法及系统
CN110659776B (zh) * 2019-09-25 2022-04-19 南京国电南自维美德自动化有限公司 具有自适应时间尺度的新能源发电功率预测方法及系统
CN112577161A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN110737975A (zh) * 2019-10-08 2020-01-31 国家电网有限公司 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法
CN110765703B (zh) * 2019-11-04 2022-05-27 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种风电场聚合特性建模方法
CN110765703A (zh) * 2019-11-04 2020-02-07 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种风电场聚合特性建模方法
CN110991701A (zh) * 2019-11-12 2020-04-10 国电陕西新能源有限公司 一种基于数据融合的风电场风机风速预测方法及系统
CN110991725B (zh) * 2019-11-27 2022-03-18 东北电力大学 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法
CN110991725A (zh) * 2019-11-27 2020-04-10 东北电力大学 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN111120204B (zh) * 2019-12-20 2021-06-18 大唐可再生能源试验研究院有限公司 风力发电机组独立变桨四象限运行控制方法
CN111120204A (zh) * 2019-12-20 2020-05-08 大唐可再生能源试验研究院有限公司 风力发电机组独立变桨四象限运行控制方法
CN111244966A (zh) * 2020-01-20 2020-06-05 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种基于双层模型预测控制的双馈风机调压方法
CN111598301A (zh) * 2020-04-16 2020-08-28 国网浙江省电力有限公司电力科学研究院 多算法结合的台风风场修正方法、装置及可读存储介质
CN111950763B (zh) * 2020-07-02 2023-12-05 江苏能来能源互联网研究院有限公司 一种分布式风力发电站输出功率的预测方法
CN111950763A (zh) * 2020-07-02 2020-11-17 江苏能来能源互联网研究院有限公司 一种分布式风力发电站输出功率的预测方法
CN112231976A (zh) * 2020-10-15 2021-01-15 华北电力大学（保定） 一种风电场等效模型的建立方法
CN112231976B (zh) * 2020-10-15 2023-06-13 华北电力大学（保定） 一种风电场等效模型的建立方法
CN112749904B (zh) * 2021-01-14 2023-06-27 国网湖南省电力有限公司 基于深度学习的配电网故障风险预警方法及系统
CN112749904A (zh) * 2021-01-14 2021-05-04 国网湖南省电力有限公司 基于深度学习的配电网故障风险预警方法及系统
CN112994101A (zh) * 2021-03-11 2021-06-18 中国长江三峡集团有限公司 基于神经网络的风电场发电功率后评估及监测方法
CN112883652A (zh) * 2021-03-12 2021-06-01 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN112883652B (zh) * 2021-03-12 2022-10-28 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN113095602A (zh) * 2021-05-27 2021-07-09 中国水利水电科学研究院 一种以出力平稳为目标的流域风电场群规划方法
CN113095602B (zh) * 2021-05-27 2022-02-15 中国水利水电科学研究院 一种以出力平稳为目标的流域风电场群规划方法
CN113239630A (zh) * 2021-06-03 2021-08-10 上海交通大学 风资源影响的移动能源网络发电与航程优化方法和系统
CN113239630B (zh) * 2021-06-03 2022-07-15 上海交通大学 风资源影响的移动能源网络发电与航程优化方法和系统
CN113505483A (zh) * 2021-07-09 2021-10-15 天津大学 一种考虑风机转动惯量的风速折算出力的精确方法
CN113937763A (zh) * 2021-10-14 2022-01-14 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质
CN113937763B (zh) * 2021-10-14 2023-09-26 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质
CN114021321A (zh) * 2021-10-27 2022-02-08 陈义 一种火电厂汽机控制升级系统
CN114021321B (zh) * 2021-10-27 2024-06-28 陈义 一种火电厂汽机控制升级系统
CN114091180A (zh) * 2021-11-19 2022-02-25 南京航空航天大学 基于飞行数据的扰动风定制化建模和大气数据估计方法
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN115099162B (zh) * 2022-08-24 2022-11-15 成都信息工程大学 一种复杂地形下风场的订正方法
CN115099162A (zh) * 2022-08-24 2022-09-23 成都信息工程大学 一种复杂地形下风场的订正方法
CN115829140A (zh) * 2022-12-14 2023-03-21 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN115829140B (zh) * 2022-12-14 2023-07-25 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN116505556B (zh) * 2023-05-26 2024-01-26 华能东营河口风力发电有限公司 基于一次调频的风电场功率控制系统及方法
CN116505556A (zh) * 2023-05-26 2023-07-28 华能东营河口风力发电有限公司 基于一次调频的风电场功率控制系统及方法
CN116703007B (zh) * 2023-08-01 2023-12-15 中国电力科学研究院有限公司 一种风电集群预测模型的构建方法、功率预测方法及装置
CN116703007A (zh) * 2023-08-01 2023-09-05 中国电力科学研究院有限公司 一种风电集群预测模型的构建方法、功率预测方法及装置
CN116992337B (zh) * 2023-09-25 2024-01-12 中国船舶集团风电发展有限公司 风资源参数的确定方法和装置
CN116992337A (zh) * 2023-09-25 2023-11-03 中国船舶集团风电发展有限公司 风资源参数的确定方法和装置
CN117056402B (zh) * 2023-10-12 2024-04-02 国网浙江省电力有限公司余姚市供电公司 一种基于多源信号的电机诊断方法、装置及存储介质
CN117056402A (zh) * 2023-10-12 2023-11-14 国网浙江省电力有限公司余姚市供电公司 一种基于多源信号的电机诊断方法、装置及存储介质
CN117454721B (zh) * 2023-12-21 2024-03-22 浙江远算科技有限公司 基于数字仿真实验的风电场尾流叠加效应评估方法和介质
CN117454721A (zh) * 2023-12-21 2024-01-26 浙江远算科技有限公司 基于数字仿真实验的风电场尾流叠加效应评估方法和介质
CN118013300A (zh) * 2024-04-08 2024-05-10 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及系统
CN118013300B (zh) * 2024-04-08 2024-06-04 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及系统
CN118399441A (zh) * 2024-07-01 2024-07-26 大唐依兰风力发电有限公司 基于多维度冗余的风电场一次调频数据调控系统及方法
CN118399441B (zh) * 2024-07-01 2024-09-20 大唐依兰风力发电有限公司 基于多维度冗余的风电场一次调频数据调控系统及方法

Also Published As

Publication number Publication date
CN103268366B (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
Wang et al. Wind power interval prediction based on improved PSO and BP neural network
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN104077632B (zh) 一种基于深度神经网络的风电场功率预测方法
CN105046374A (zh) 一种基于核极限学习机模型的功率区间预测方法
Cheng et al. Augmented convolutional network for wind power prediction: A new recurrent architecture design with spatial-temporal image inputs
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN103942736B (zh) 一种风电场多机等值建模方法
CN105512745A (zh) 基于粒子群—bp神经网络的风电功率区间预测方法
CN104951834A (zh) 基于遗传算法和粒子群集成的lssvm风速预测方法
CN102938562B (zh) 一种区域内风电总功率的预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
Adedeji et al. Hybrid neurofuzzy wind power forecast and wind turbine location for embedded generation
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
CN104520861A (zh) 风功率密度预测方法
CN113570132A (zh) 一种时空气象特征提取与深度学习的风电功率预测方法
Cabezon et al. Comparison of methods for power curve modelling
CN113610285A (zh) 一种分散式风电的功率预测方法
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
Pani et al. A hybrid machine learning approach to wave energy forecasting
CN110163437A (zh) 基于DPK-means的日前光伏发电功率预测方法
Poitras et al. Wind speed prediction for a target station using neural networks and particle swarm optimization
Alhaddad et al. Aiming for smart wind energy: A comparison analysis between wind speed forecasting techniques
Hui et al. Ultra‐Short‐Term Prediction of Wind Power Based on Fuzzy Clustering and RBF Neural Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant